PC-Droid: 用于粒子云生成的更快传播和更好质量的方案
在本文中,我们提出了两种新的方法,以高效准确地生成大型高度相关的 LHC 喷注点云。我们引入了 'epcjedi',它将分数匹配扩散模型与基于深度集合框架的 'EPiC' 架构相结合;我们还引入了 'epcfm',它是第一个用于粒子云生成的置换等变连续归一化流。我们的实验表明,'epcjedi' 和 'epcfm' 在维持快速生成速度的同时,都达到了最先进的表现。值得注意的是,我们发现 'epcfm' 模型在每个指标上始终优于其他所有考虑的生成模型。此外,我们还引入了两个新的粒子云性能度量,第一个是基于特征分布的 Kullback-Leibler 散度,第二个是多模型 ParticleNet 分类器的负对数后验。
Sep, 2023
本文介绍了一种优化了的基础模型,通过在移动设备上实施优化,使大规模扩散模型的推理延迟得到了显著缩短,从而提高了生成性 AI 的适用性并改善了用户体验。
Apr, 2023
本文介绍了基于 TensorFlow Lite 部署 Diffusion 模型的挑战和解决方案,并展示了使用 Mobile Stable Diffusion 在 Android 设备上生成 512x512 图像所需的推理延迟小于 7 秒。
Jul, 2023
通过在架构和采样技术上进行广泛优化,我们提出了一种高效的 MobileDiffusion 文本到图像扩散模型,它在移动设备上实现了显著的亚秒级图像生成推断速度,创立了新的技术水平。
Nov, 2023
该研究通过引入高效网络架构和步骤蒸馏等技术,提出了一种通用的方法,首次实现在移动设备上以不到 2 秒的速度运行文本到图像扩散模型。该模型可以使用户自己创作图像,而不需要高端 GPU 或云端推理,这将在内容创作方面具有重要作用。
Jun, 2023
本文提出了基于物理学的指导,通过优化预测模型的性能指标来生成图像,并在 Stable Diffusion 中添加了阻力引导,以生成具有最小预测阻力系数的新型车辆图像。
Jun, 2023
基于图的扩散模型在解决 NP 完全问题的组合优化中展现了有希望的结果。然而,由于去噪扩散过程的迭代评估特性,这些模型通常在推理时效率低下。本文提出使用渐进蒸馏来加速推理过程,通过在去噪过程中只进行少量步骤的预测(例如,在单个步骤中预测未来两步)。我们的实验结果表明,经过渐进蒸馏的模型在 TSP-50 数据集上仅仅损失 0.019% 的性能,而推理速度却提高了 16 倍。
Aug, 2023
本文提出了一种新的联合 2D 和 3D 扩散模型 (JODO),它通过 Diffusion Graph Transformer 参数化数据预测模型,可以生成具有原子类型、形式电荷、键信息和 3D 坐标的完整分子,表现出色,具有逆向分子设计和分子图形生成的优越性能。
May, 2023